Trí tuệ nhân tạo với Python

Trong bài giảng này, chúng ta sẽ xem xét toàn bộ quá trình tạo ảnh ghép mosaic từ góc độ thuật toán. Sau khi thu gọn ảnh đầu vào thành tập hợp các màu đại diện phù hợp với số lượng ô gạch thông qua phân cụm K-means, chúng ta áp dụng thuật toán Hungarian để ghép cặp tối ưu 1:1 giữa mỗi màu và ô gạch. Thông qua đó, chúng ta hiểu được quá trình kết hợp xử lý ảnh và thuật toán tối ưu hóa tổ hợp để tạo ra một kết quả hình ảnh.

Python + xlwings Tự động hóa công việc - Tóm tắt khóa học 1. Phần cơ bản: Kiến thức nền tảng điều khiển Excel Xử lý ô / Áp dụng định dạng / Chèn hình ảnh & biểu đồ 2. Phần ứng dụng: Kịch bản tự động hóa Gửi email tự động / Tự động hóa tóm tắt báo cáo(LLM) / Phân loại hình ảnh để xử lý(Teachable Machine)

Một mô hình tạo hình ảnh nóng bỏng! Hãy hiểu bằng cách thực hiện nó từ những điều cơ bản! Hãy cùng nhau triển khai AUTO ENCODER/VAE/GAN/DIFFUSION nhé!

Triển khai nền tảng Deep Learning bằng Excel và hiểu sâu sắc ý nghĩa của nó!

Học nguyên lý deep learning trực quan với Excel.

Lý do khóa học này đặc biệt: Các ưu điểm chính • Trực quan hóa dễ hiểu: Tự mình xem hoạt động thuật toán trực tiếp theo thời gian thực qua mô phỏng Pygame 2D • Kinh nghiệm thực tế: Vượt lý thuyết, tự tay lập trình để nắm vững thuật toán tự hành • Làm chủ thuật toán cốt lõi: Tập trung học các thuật toán cần thiết như Dijkstra, Pure Pursuit, ICP, v.v. • Học chuyên sâu theo từng bước: Cấu trúc độ khó có hệ thống từ cơ bản đến SLAM • SLAM dựa trên Lidar: Thực hành xây dựng bản đồ và ước tính vị trí trong môi trường chưa biết

Thực hành nền tảng học sâu trên Excel và hiểu sâu ý nghĩa! Học cách xử lý dữ liệu hình ảnh!

Hãy triển khai khung deep learning trực tiếp trong Excel! Hãy cùng giải quyết việc học có giám sát/học không giám sát/học tăng cường bằng cách sử dụng khung đã triển khai!

Triển khai cơ bản Deep Learning trên Excel và thấu hiểu ý nghĩa sâu sắc!

Model được đào tạo trước (VGG16) / CAM / Grad-CAM / YOLO / CHUYỂN PHONG CÁCH / PIX2PIX / CYCLEGAN Tự mình thực hiện Khuếch tán ổn định

Lý do khóa học này đặc biệt: Các ưu điểm chính • Trực quan hóa dễ hiểu: Tự mình xem hoạt động thuật toán trực tiếp theo thời gian thực qua mô phỏng Pygame 2D • Kinh nghiệm thực tế: Vượt lý thuyết, tự tay lập trình để nắm vững thuật toán tự hành • Làm chủ thuật toán cốt lõi: Tập trung học các thuật toán cần thiết như Dijkstra, Pure Pursuit, ICP, v.v. • Học chuyên sâu theo từng bước: Cấu trúc độ khó có hệ thống từ cơ bản đến SLAM • SLAM dựa trên Lidar: Thực hành xây dựng bản đồ và ước tính vị trí trong môi trường chưa biết

Chúng tôi giới thiệu cách tạo mô hình deep learning và mô hình CNN bằng thuật toán mạng nơ-ron nhân tạo.

Trong khóa học này, chúng ta sẽ tìm hiểu từ các thuật toán cốt lõi của hệ thống gợi ý đến triển khai thực tế. - Lọc dựa trên nội dung - Triển khai lọc cộng tác, mô hình gợi ý dựa trên deep learning - Triển khai hệ thống gợi ý hai bước (Two-step recommender systems) - Thực hành với PyTorch/RecBole - Kinh nghiệm thực tế và trực quan hóa kết quả gợi ý

Đây là khóa học thực hành tự tay chế tạo xe tự hành dựa trên AI bằng cách sử dụng Raspberry Pi và các cảm biến đa dạng.

Hãy chắc chắn bắt đầu với những điều cơ bản về học máy và học sâu! Phân loại/hồi quy/phân cụm/tạo và sử dụng mạng thần kinh nhân tạo trong Python

Sử dụng Python để học các kỹ thuật học máy, và nâng cao khả năng trích xuất thông tin từ dữ liệu thực tế cũng như phát triển mô hình dự đoán!

Khóa học này xuất phát từ câu hỏi "Nếu tôi có mặt trên tàu Titanic thì liệu có thể sống sót không?", phát triển mô hình AI dự đoán xác suất sống sót dựa trên dữ liệu thực tế, và hoàn thành dự án fullstack triển khai dịch vụ này lên web. Bạn sẽ thực hành toàn bộ quy trình từ AI đến phát triển web, bao gồm mô hình hóa deep learning với PyTorch, xây dựng backend server với FastAPI, và triển khai giao diện người dùng với Next.js.

Phân tích hơn 40 loại chỉ số kinh tế và dữ liệu giá cổ phiếu bằng AI, dự đoán S&P 500, QQQ ETF lẫn cổ phiếu riêng lẻ, hãy tự tạo một mô hình phân tích giá cổ phiếu mạnh mẽ!

Bạn có thể sử dụng Docker để tạo môi trường phân tích học sâu trên đám mây. Khi kết hợp Docker và đám mây do Google, MS quản lý, bạn có thể thực hiện công việc bằng các phương pháp phân tích học sâu mới nhất trên máy tính của mình.

Những Gì Bạn Sẽ Nhận Được Từ Khóa Học Này Chào mừng bạn đến với LangGraph in Action, hướng dẫn toàn diện giúp bạn thành thạo việc thiết kế và triển khai các AI agent nâng cao sử dụng LangGraph. Trong khóa học này, bạn sẽ khám phá những kiến thức nền tảng về xây dựng các agent theo module, có khả năng mở rộng và sẵn sàng cho môi trường production, tất cả thông qua phương pháp thực hành. Từ việc hiểu những điều cơ bản về thiết kế dựa trên trạng thái của LangGraph đến tạo ra một ứng dụng full-stack, bạn sẽ có được những kỹ năng cần thiết để biến AI agent thành hiện thực. Điểm Nổi Bật Của Khóa Học Thiết Kế Dựa Trên Trạng Thái: Tìm hiểu sâu về triết lý cốt lõi của LangGraph với các node và edge để tạo ra các agent có cấu trúc và dễ bảo trì. Quản Lý Bộ Nhớ: Khám phá bộ nhớ ngắn hạn với checkpointer và bộ nhớ dài hạn với đối tượng Store để tạo ra các agent có khả năng thích ứng và học hỏi. Quy Trình Làm Việc Nâng Cao: Xây dựng hệ thống human-in-the-loop, triển khai thực thi song song và thành thạo các mô hình multi-agent. Phát Triển Sẵn Sàng Cho Production: Học các thao tác bất đồng bộ, subgraph và tạo ứng dụng full-stack sử dụng FastAPI và Docker. Đến cuối khóa học, bạn không chỉ có hiểu biết lý thuyết vững chắc mà còn có kỹ năng thực tế để triển khai AI agent ở bất kỳ đâu, hoàn toàn với các công cụ mã nguồn mở. Cho dù bạn là developer muốn luôn dẫn đầu xu hướng hay một kỹ sư dày dạn kinh nghiệm muốn mở rộng bộ công cụ AI của mình, khóa học này sẽ trang bị cho bạn những gì cần thiết cho lĩnh vực AI agent đang phát triển nhanh chóng. Với việc ngày càng nhiều AI agent được áp dụng trong các ứng dụng thực tế, khóa học này đảm bảo bạn sẵn sàng để thiết kế, xây dựng và triển khai các hệ thống nâng cao giải quyết những thách thức thực tiễn. Hãy cùng bắt đầu xây dựng và định hình tương lai của AI!

Khóa học này giải thích các khái niệm cơ bản về LLM và GPT một cách dễ hiểu để mọi người đều có thể nắm bắt được. Học viên sẽ trực tiếp sử dụng GPT API để tạo chatbot và có thể chạy trên web bằng Streamlit. Từ kiến thức cơ bản đến thực hành, bạn sẽ trải nghiệm và xây dựng nền tảng vững chắc cho bước đầu tiên trong việc ứng dụng AI.

Khóa học này là một masterclass thực hành hoàn chỉnh phân tích sâu sự phát triển công nghệ cốt lõi của AI tạo sinh từ LDM(Latent Diffusion Model) đến DiT(Diffusion Transformer). Chúng ta sẽ trực tiếp phân tích nguyên lý học tập dựa trên không gian tiềm ẩn của LDM, cấu trúc của Stable Diffusion, và phương thức triển khai của Diffusion Transformer mới nhất thông qua các bài báo và code. Học viên sẽ trực tiếp triển khai các mô hình LDM, CFG(Classifier-Free Guidance), DiT dựa trên PyTorch, đồng thời học một cách có hệ thống các xu hướng mới nhất và sự tiến hóa cấu trúc của mô hình tạo sinh.

Khóa học này là một masterclass thực chiến tập trung vào việc chinh phục hoàn toàn quá trình tiến hóa của Diffusion Model thông qua các bài báo và mã nguồn. Học viên sẽ học từ nguyên lý bài báo đến việc trực tiếp triển khai các mô hình cốt lõi của AI sinh tạo như DDPM(Denoising Diffusion Probabilistic Model) và DDIM. Khóa học phân tích từng bước bối cảnh xuất hiện của từng mô hình, công thức toán học, cấu trúc mạng (U-Net, VAE, Transformer), quá trình học (Noise Schedule, Denoising Step), và những ý tưởng dẫn đến cải thiện hiệu suất. Học viên sẽ trực tiếp lập trình tất cả các mô hình dựa trên PyTorch, không chỉ dừng lại ở việc hiểu bài báo mà còn có được 'khả năng thực tế để tái tạo và ứng dụng'. Ngoài ra, thông qua việc so sánh sự khác biệt và dòng chảy phát triển giữa các mô hình, học viên sẽ hiểu rõ cách chúng được mở rộng. Khóa học này kết hợp lý thuyết·mã nguồn·thực hành thành một, cung cấp hành trình để nghiên cứu viên·nhà phát triển·nhà sáng tạo đều có thể học hỏi một cách có hệ thống về sự tiến hóa của mô hình sinh tạo. Hãy bắt đầu ngay bây giờ trải nghiệm vượt qua việc 'đọc' bài báo, trực tiếp triển khai để 'hiểu và tái sáng tạo'.

Nếu bạn muốn học Python thì hãy chú ý đến khóa học này!!! Hoàn toàn miễn phí~ Tôi thực sự khuyến khích sử dụng làm tài liệu học trước khi tham gia các môn học chính thức hoặc tự học cá nhân.

Làm chủ Model Context Protocol (MCP) là một khóa học thực hành, tập trung vào kỹ thuật được thiết kế để giúp các nhà phát triển xây dựng backend AI thực tế, an toàn và sẵn sàng cho production. Sau khi giúp hàng nghìn học viên vượt qua sự nhầm lẫn xung quanh việc tích hợp LLM, tool calling và kiến trúc backend, tôi đã tạo ra khóa học này để giải quyết những vấn đề phổ biến nhất: "Làm thế nào để xây dựng một backend đáng tin cậy mà LLM có thể gọi một cách an toàn?" "Làm thế nào để lựa chọn giữa SSE, stdio, hoặc streamable-http?" "Làm thế nào để mở rộng MCP thành các ứng dụng thực tế với FastAPI, Auth0, và LangGraph?" "Làm thế nào để cấu trúc các công cụ, tài nguyên, prompts và ngữ cảnh MCP của tôi?" Trong khóa học này, tôi hướng dẫn bạn từng bước—từ việc khởi động một MCP server tối giản đến triển khai một hệ thống được Dockerize hoàn toàn an toàn. Mỗi bài học đều thực hành, được thiết kế để loại bỏ sự phức tạp và cung cấp cho bạn một quy trình làm việc rõ ràng, có thể lặp lại để xây dựng các hệ thống AI hiện đại. Nếu bạn cảm thấy thất vọng với những hướng dẫn mơ hồ và muốn có sự hiểu biết rõ ràng, cụ thể, ở cấp độ kỹ thuật về MCP, khóa học này được xây dựng dành cho bạn.

Đây là khóa học dự án máy học toàn diện, nơi bạn học nhiều dự án hồi quy và phân loại máy học hữu ích khác nhau cùng với lý thuyết sử dụng Python và TensorFlow 2 dựa trên dữ liệu lớn của Boston Marathon.

Đây là khóa học Python cơ bản dành cho những bạn mới bắt đầu muốn phát triển trở thành nhà phân tích dữ liệu. - Bạn muốn phân tích dữ liệu nhưng chưa biết Python - Bạn muốn học machine learning bằng Python - Bạn đang chuẩn bị cho kỳ thi thực hành chứng chỉ phân tích Big Data - Bạn muốn phát triển ứng dụng dựa trên machine learning bằng Python